浙江大学与宇树科技合作开源一套规模达到 500 万条的机器人预训练数据集,行业把这次开源看作具身智能领域走向通用化的关键一步,类比大语言模型早期 GPT 依靠海量文本数据实现能力跃迁,具身智能想要突破,同样需要大量真实世界机器人交互数据,这套数据集全部基于宇树人形机器人真机采集,覆盖家居、桌面操作、全身协同行走等大量真实场景,开放给科研和开发者免费使用,补齐国内高质量具身数据供给短板,但也要看到,光有数据集不等于马上就能实现通用人形机器人,模型架构、仿真对齐、真机泛化落地还有不少难关要攻克。
一、数据集核心信息表
| 项目 | 详情 |
|---|---|
| 合作主体 | 浙江大学、宇树科技 |
| 数据规模 | 500 万条机器人预训练样本 |
| 采集硬件 | 宇树 G1 人形机器人 |
| 数据类型 | 视觉图像、关节状态、动作轨迹、任务文本标注 |
| 覆盖任务 | 桌面精细操作、家居整理、全身行走、人机交互 |
| 开源协议 | Apache 2.0,允许科研、商用二次开发 |
| 配套模型 | UnifoLM 系列具身模型,6B 参数 |
二、为什么说它对标 GPT 时刻
大语言模型的爆发,核心是海量文本数据 + Transformer 架构,催生了通用对话能力。放到具身智能里,机器人要听懂指令、在陌生环境自主干活,核心原料就是真实世界交互数据。之前全球开源的人形机器人数据集大多几十万条级别,浙大宇树这套直接拉到 500 万条量级,样本覆盖全身协同动作,不只是单纯的夹爪抓取,能用来训练同时兼顾走路和操作的通用具身模型,为通用机器人底座打下数据基础。
三、数据集的核心亮点
- 真机采集,不是纯仿真合成数据,Sim2Real 迁移难度更低,训练出来的策略更容易直接部署到实体机器人。
- 多模态标注,每条样本绑定视觉、关节信息、自然语言指令,适配 VLA 视觉 - 语言 - 动作模型训练。
- 兼顾全身运动 + 精细操作,很多数据集只聚焦手臂抓取,这套包含双足平衡、移动操作,更贴近人形机器人真实使用需求。
- 完全开源开放,降低高校、初创团队的门槛,不用自己投入大量资金搭建遥操作采集平台。
四、现存局限清单
✅ 数据场景以室内家居、桌面为主,户外复杂环境、工业场景样本偏少
✅ 500 万条是样本条数,和文本大模型万亿级 token 体量差距巨大
✅ 数据质量参差不齐,需要开发者自行清洗、筛选
✅ 有数据底座,还需要配套更强的具身模型架构才能兑现能力
五、后续观察方向
✅ 基于这套数据集训练的开源模型实测效果,能不能追上海外同类 SOTA
✅ 社区开发者二次开发产出、复现论文成果情况
✅ 后续团队会不会持续扩充工业、户外场景数据
✅ 能不能形成国内具身智能数据生态,吸引更多团队共建
【常见问题】
问题 1:浙大宇树开源 500 万条机器人预训练数据,什么是具身智能的 GPT 时刻?
回答 1:具身智能的 GPT 时刻,就是依靠浙大宇树这类大规模机器人预训练数据,训练出能在真实世界泛化执行各类任务的通用机器人模型,类似 GPT 依靠海量文本实现通用语言能力。
问题 2:浙大宇树开源 500 万条机器人预训练数据,数据是仿真生成还是真机采集?
回答 2:浙大宇树开源 500 万条机器人预训练数据,主要依托宇树 G1 人形机器人真机遥操作采集,不是纯仿真数据,更有利于降低仿真到真机迁移的难度。
问题 3:浙大宇树开源 500 万条机器人预训练数据,开放协议是什么,可以商用吗?
回答 3:浙大宇树开源 500 万条机器人预训练数据采用 Apache 2.0 协议,支持科研使用以及合规的商用二次开发。
问题 4:浙大宇树开源 500 万条机器人预训练数据,主要覆盖哪些机器人任务?
回答 4:浙大宇树开源 500 万条机器人预训练数据,覆盖桌面精细抓取、家居物品整理、人形机器人全身行走、人机交互等多类具身任务。
问题 5:有了浙大宇树这 500 万条机器人预训练数据,是不是马上就能做出通用人形机器人?
回答 5:并不是,浙大宇树 500 万条机器人预训练数据是重要的数据底座,想要实现通用人形机器人,还需要突破模型架构、环境泛化、控制稳定性等多项技术难题。
【参考资料】
[2026-09-19](不只强在硬件!宇树 6B 具身大脑拿下 7 项开源 SOTA,对标 GPT-6 Astra)中国青年网
[2026-09-19](宇树开源了新大脑,机器人开始先预判再动手)中国青年网
[2026-09-11](解锁具身智能 GPT 时刻?浙大宇树开源 500 万条机器人预训练数据)36 氪
[2026-09-11](宇树 UnifoLM-WLA-1.0 发布,配套 500 万具身推理样本开源)机器之心
[2026-03-05](宇树开源全身遥操作人形机器人数据集)宇树科技官方
【免责声明】
本文仅整理浙大与宇树开源机器人预训练数据集相关公开资讯,数据集规模、任务范围、开源许可以项目官方仓库、论文说明为准;具身智能技术进展、模型效果受硬件、算法调优影响,不构成创业、投资、采购决策参考。
